Visualizando datos con el paquete ggplot2

.title[
# Visualizando datos con el paquete ggplot2
]
.subtitle[
## Big Data e Inteligencia Territorial
]

---

.remark-slide-content {
    font-size: 25px;
    padding: 1em 1em 1em 1em;
}

.remark-code{
  line-height: 1.5; font-size: 80%
}

@media print {
  .has-continuation {
    display: block;
  }
}
</style>

# Hoja de ruta

## ✔️ ¿Por qué visualizar?

## ✔️ Estructura del código para visualizar

## ✔️ ggplot

☑️️ `operador + (nos va a permitir incorporar capas -como lo hacía el pipe %>%-) `

☑️️ `geom_histogram()` / ☑️️ `geom_boxplol() `  /  ☑️️ `geom_col()` / ☑️️ `chapa y pintura (Atributos)`

---
# Referencia bibliográfica

- [ggplot2: Elegant Graphics for Data Analysis (_ggplot2: Gráficos elegantes para el análisis de datos_)](https://ggplot2-book.org/)

- [The Grammar of Graphics - Leland Wilkinson ](https://books.google.com.mx/books?id=_kRX4LoFfGQC&hl=es&source=gbs_similarbooks)

---
# Hasta ahora

---
class: inverse, middle, center

# ¿Por qué visualizar?

---
# ¿Por qué visualizar?

<br>

- _"La visualización es el proceso de hacer visibles los contrastes, ritmos y eventos que los datos expresan, que no podemos percibir cuando vienen en forma de áridas listas de números y categorías."_ [^1]

<br>
  
- Interpretar / decodificar la información de forma visual

<br>

[^1]: https://bitsandbricks.github.io/ciencia_de_datos_gente_sociable/visualizacion.html

---
# ¿Por qué visualizar?

.pull-left[
<div id="bwlpznhzqb" style="overflow-x:auto;overflow-y:auto;width:auto;height:auto;">
<style>html {
  font-family: -apple-system, BlinkMacSystemFont, 'Segoe UI', Roboto, Oxygen, Ubuntu, Cantarell, 'Helvetica Neue', 'Fira Sans', 'Droid Sans', Arial, sans-serif;
}

#bwlpznhzqb .gt_table {
  display: table;
  border-collapse: collapse;
  margin-left: auto;
  margin-right: auto;
  color: #333333;
  font-size: 16px;
  font-weight: normal;
  font-style: normal;
  background-color: #FFFFFF;
  width: auto;
  border-top-style: solid;
  border-top-width: 2px;
  border-top-color: #A8A8A8;
  border-right-style: none;
  border-right-width: 2px;
  border-right-color: #D3D3D3;
  border-bottom-style: solid;
  border-bottom-width: 2px;
  border-bottom-color: #A8A8A8;
  border-left-style: none;
  border-left-width: 2px;
  border-left-color: #D3D3D3;
}

#bwlpznhzqb .gt_heading {
  background-color: #FFFFFF;
  text-align: center;
  border-bottom-color: #FFFFFF;
  border-left-style: none;
  border-left-width: 1px;
  border-left-color: #D3D3D3;
  border-right-style: none;
  border-right-width: 1px;
  border-right-color: #D3D3D3;
}

#bwlpznhzqb .gt_title {
  color: #333333;
  font-size: 125%;
  font-weight: initial;
  padding-top: 4px;
  padding-bottom: 4px;
  padding-left: 5px;
  padding-right: 5px;
  border-bottom-color: #FFFFFF;
  border-bottom-width: 0;
}

#bwlpznhzqb .gt_subtitle {
  color: #333333;
  font-size: 85%;
  font-weight: initial;
  padding-top: 0;
  padding-bottom: 6px;
  padding-left: 5px;
  padding-right: 5px;
  border-top-color: #FFFFFF;
  border-top-width: 0;
}

#bwlpznhzqb .gt_bottom_border {
  border-bottom-style: solid;
  border-bottom-width: 2px;
  border-bottom-color: #D3D3D3;
}

#bwlpznhzqb .gt_col_headings {
  border-top-style: solid;
  border-top-width: 2px;
  border-top-color: #D3D3D3;
  border-bottom-style: solid;
  border-bottom-width: 2px;
  border-bottom-color: #D3D3D3;
  border-left-style: none;
  border-left-width: 1px;
  border-left-color: #D3D3D3;
  border-right-style: none;
  border-right-width: 1px;
  border-right-color: #D3D3D3;
}

#bwlpznhzqb .gt_col_heading {
  color: #333333;
  background-color: #FFFFFF;
  font-size: 100%;
  font-weight: normal;
  text-transform: inherit;
  border-left-style: none;
  border-left-width: 1px;
  border-left-color: #D3D3D3;
  border-right-style: none;
  border-right-width: 1px;
  border-right-color: #D3D3D3;
  vertical-align: bottom;
  padding-top: 5px;
  padding-bottom: 6px;
  padding-left: 5px;
  padding-right: 5px;
  overflow-x: hidden;
}

#bwlpznhzqb .gt_column_spanner_outer {
  color: #333333;
  background-color: #FFFFFF;
  font-size: 100%;
  font-weight: normal;
  text-transform: inherit;
  padding-top: 0;
  padding-bottom: 0;
  padding-left: 4px;
  padding-right: 4px;
}

#bwlpznhzqb .gt_column_spanner_outer:first-child {
  padding-left: 0;
}

#bwlpznhzqb .gt_column_spanner_outer:last-child {
  padding-right: 0;
}

#bwlpznhzqb .gt_column_spanner {
  border-bottom-style: solid;
  border-bottom-width: 2px;
  border-bottom-color: #D3D3D3;
  vertical-align: bottom;
  padding-top: 5px;
  padding-bottom: 5px;
  overflow-x: hidden;
  display: inline-block;
  width: 100%;
}

#bwlpznhzqb .gt_group_heading {
  padding-top: 8px;
  padding-bottom: 8px;
  padding-left: 5px;
  padding-right: 5px;
  color: #333333;
  background-color: #FFFFFF;
  font-size: 100%;
  font-weight: initial;
  text-transform: inherit;
  border-top-style: solid;
  border-top-width: 2px;
  border-top-color: #D3D3D3;
  border-bottom-style: solid;
  border-bottom-width: 2px;
  border-bottom-color: #D3D3D3;
  border-left-style: none;
  border-left-width: 1px;
  border-left-color: #D3D3D3;
  border-right-style: none;
  border-right-width: 1px;
  border-right-color: #D3D3D3;
  vertical-align: middle;
}

#bwlpznhzqb .gt_empty_group_heading {
  padding: 0.5px;
  color: #333333;
  background-color: #FFFFFF;
  font-size: 100%;
  font-weight: initial;
  border-top-style: solid;
  border-top-width: 2px;
  border-top-color: #D3D3D3;
  border-bottom-style: solid;
  border-bottom-width: 2px;
  border-bottom-color: #D3D3D3;
  vertical-align: middle;
}

#bwlpznhzqb .gt_from_md > :first-child {
  margin-top: 0;
}

#bwlpznhzqb .gt_from_md > :last-child {
  margin-bottom: 0;
}

#bwlpznhzqb .gt_row {
  padding-top: 8px;
  padding-bottom: 8px;
  padding-left: 5px;
  padding-right: 5px;
  margin: 10px;
  border-top-style: solid;
  border-top-width: 1px;
  border-top-color: #D3D3D3;
  border-left-style: none;
  border-left-width: 1px;
  border-left-color: #D3D3D3;
  border-right-style: none;
  border-right-width: 1px;
  border-right-color: #D3D3D3;
  vertical-align: middle;
  overflow-x: hidden;
}

#bwlpznhzqb .gt_stub {
  color: #333333;
  background-color: #FFFFFF;
  font-size: 100%;
  font-weight: initial;
  text-transform: inherit;
  border-right-style: solid;
  border-right-width: 2px;
  border-right-color: #D3D3D3;
  padding-left: 5px;
  padding-right: 5px;
}

#bwlpznhzqb .gt_stub_row_group {
  color: #333333;
  background-color: #FFFFFF;
  font-size: 100%;
  font-weight: initial;
  text-transform: inherit;
  border-right-style: solid;
  border-right-width: 2px;
  border-right-color: #D3D3D3;
  padding-left: 5px;
  padding-right: 5px;
  vertical-align: top;
}

#bwlpznhzqb .gt_row_group_first td {
  border-top-width: 2px;
}

#bwlpznhzqb .gt_summary_row {
  color: #333333;
  background-color: #FFFFFF;
  text-transform: inherit;
  padding-top: 8px;
  padding-bottom: 8px;
  padding-left: 5px;
  padding-right: 5px;
}

#bwlpznhzqb .gt_first_summary_row {
  border-top-style: solid;
  border-top-color: #D3D3D3;
}

#bwlpznhzqb .gt_first_summary_row.thick {
  border-top-width: 2px;
}

#bwlpznhzqb .gt_last_summary_row {
  padding-top: 8px;
  padding-bottom: 8px;
  padding-left: 5px;
  padding-right: 5px;
  border-bottom-style: solid;
  border-bottom-width: 2px;
  border-bottom-color: #D3D3D3;
}

#bwlpznhzqb .gt_grand_summary_row {
  color: #333333;
  background-color: #FFFFFF;
  text-transform: inherit;
  padding-top: 8px;
  padding-bottom: 8px;
  padding-left: 5px;
  padding-right: 5px;
}

#bwlpznhzqb .gt_first_grand_summary_row {
  padding-top: 8px;
  padding-bottom: 8px;
  padding-left: 5px;
  padding-right: 5px;
  border-top-style: double;
  border-top-width: 6px;
  border-top-color: #D3D3D3;
}

#bwlpznhzqb .gt_striped {
  background-color: rgba(128, 128, 128, 0.05);
}

#bwlpznhzqb .gt_table_body {
  border-top-style: solid;
  border-top-width: 2px;
  border-top-color: #D3D3D3;
  border-bottom-style: solid;
  border-bottom-width: 2px;
  border-bottom-color: #D3D3D3;
}

#bwlpznhzqb .gt_footnotes {
  color: #333333;
  background-color: #FFFFFF;
  border-bottom-style: none;
  border-bottom-width: 2px;
  border-bottom-color: #D3D3D3;
  border-left-style: none;
  border-left-width: 2px;
  border-left-color: #D3D3D3;
  border-right-style: none;
  border-right-width: 2px;
  border-right-color: #D3D3D3;
}

#bwlpznhzqb .gt_footnote {
  margin: 0px;
  font-size: 90%;
  padding-left: 4px;
  padding-right: 4px;
  padding-left: 5px;
  padding-right: 5px;
}

#bwlpznhzqb .gt_sourcenotes {
  color: #333333;
  background-color: #FFFFFF;
  border-bottom-style: none;
  border-bottom-width: 2px;
  border-bottom-color: #D3D3D3;
  border-left-style: none;
  border-left-width: 2px;
  border-left-color: #D3D3D3;
  border-right-style: none;
  border-right-width: 2px;
  border-right-color: #D3D3D3;
}

#bwlpznhzqb .gt_sourcenote {
  font-size: 90%;
  padding-top: 4px;
  padding-bottom: 4px;
  padding-left: 5px;
  padding-right: 5px;
}

#bwlpznhzqb .gt_left {
  text-align: left;
}

#bwlpznhzqb .gt_center {
  text-align: center;
}

#bwlpznhzqb .gt_right {
  text-align: right;
  font-variant-numeric: tabular-nums;
}

#bwlpznhzqb .gt_font_normal {
  font-weight: normal;
}

#bwlpznhzqb .gt_font_bold {
  font-weight: bold;
}

#bwlpznhzqb .gt_font_italic {
  font-style: italic;
}

#bwlpznhzqb .gt_super {
  font-size: 65%;
}

#bwlpznhzqb .gt_two_val_uncert {
  display: inline-block;
  line-height: 1em;
  text-align: right;
  font-size: 60%;
  vertical-align: -0.25em;
  margin-left: 0.1em;
}

#bwlpznhzqb .gt_footnote_marks {
  font-style: italic;
  font-weight: normal;
  font-size: 75%;
  vertical-align: 0.4em;
}

#bwlpznhzqb .gt_asterisk {
  font-size: 100%;
  vertical-align: 0;
}

#bwlpznhzqb .gt_slash_mark {
  font-size: 0.7em;
  line-height: 0.7em;
  vertical-align: 0.15em;
}

#bwlpznhzqb .gt_fraction_numerator {
  font-size: 0.6em;
  line-height: 0.6em;
  vertical-align: 0.45em;
}

#bwlpznhzqb .gt_fraction_denominator {
  font-size: 0.6em;
  line-height: 0.6em;
  vertical-align: -0.05em;
}
</style>
<table class="gt_table">
  
  <thead class="gt_col_headings">
    <tr>
      <th class="gt_col_heading gt_columns_bottom_border gt_left" rowspan="1" colspan="1">pais</th>
      <th class="gt_col_heading gt_columns_bottom_border gt_right" rowspan="1" colspan="1">n</th>
    </tr>
  </thead>
  <tbody class="gt_table_body">
    <tr><td class="gt_row gt_left">Argentina</td>
<td class="gt_row gt_right">612</td></tr>
    <tr><td class="gt_row gt_left">Estados Unidos</td>
<td class="gt_row gt_right">11</td></tr>
    <tr><td class="gt_row gt_left">Chile</td>
<td class="gt_row gt_right">7</td></tr>
    <tr><td class="gt_row gt_left">Uruguay</td>
<td class="gt_row gt_right">7</td></tr>
    <tr><td class="gt_row gt_left">Bolivia</td>
<td class="gt_row gt_right">5</td></tr>
    <tr><td class="gt_row gt_left">Brasil</td>
<td class="gt_row gt_right">4</td></tr>
    <tr><td class="gt_row gt_left">Perú</td>
<td class="gt_row gt_right">4</td></tr>
    <tr><td class="gt_row gt_left">Francia</td>
<td class="gt_row gt_right">3</td></tr>
    <tr><td class="gt_row gt_left">Alemania</td>
<td class="gt_row gt_right">2</td></tr>
    <tr><td class="gt_row gt_left">Ecuador</td>
<td class="gt_row gt_right">2</td></tr>
    <tr><td class="gt_row gt_left">España</td>
<td class="gt_row gt_right">2</td></tr>
    <tr><td class="gt_row gt_left">Italia</td>
<td class="gt_row gt_right">2</td></tr>
    <tr><td class="gt_row gt_left">Países Bajos</td>
<td class="gt_row gt_right">2</td></tr>
    <tr><td class="gt_row gt_left">Paraguay</td>
<td class="gt_row gt_right">2</td></tr>
  </tbody>
  
  
</table>
</div>
]
--

.pull-right[
![](data:image/png;base64,#r_visualizacion_files/figure-html/unnamed-chunk-5-1.png)
]

---
# Pensar el grafico

"... hay algo en que el peor maestro de obras aventaja, desde luego, a la mejor abeja, y es el hecho de que, antes de ejecutar la construcción, **la proyecta en su cerebro**.
.right[-- <cite>Carlitos Marx</cite>]

</blockquote>

]

]

---
class: middle, center, inverse

_<p style="color:grey;" align:"center">Una forma de visualizar</p>_

---
class: inverse, middle, center

# ¿Qué es [ggplot2](https://ggplot2.tidyverse.org/)?

---
# __¿Qué es ggplot2?__

<br>

- ### Una implementación del sistema **Grammar of graphics** (_Gramática de los gráficos_)

<br>
--

- ### Un esquema pensado en capas (datos --> plano (ejes **x** e **y**) --> geometrías)

<br>

- ### Un paquete de funciones de aplicación intuitiva.

---
# Gramática de los gráficos

---
# Gráficos en clave de capas

---
# ggplot()

---
class: inverse, middle, center

# __geom_histogram()__

---

# geom_histogram()

- **Caso:** Quiero conocer la distribución de los inmuebles del estado en función de su superficie (mts^2):

---
# Capas del gráfico - insumo(dataframe)

```r
ggplot(`data = b_inmuebles`)
```

<br>

- **¿De donde saco las variables?**
]

![](data:image/png;base64,#r_visualizacion_files/figure-html/unnamed-chunk-11-1.png)

]

---
# Capas del gráfico - coordenadas

```r
ggplot(data = b_inmuebles,
       mapping = `aes(x = superficie_aproximada_m2))`
```

<br>

- **¿Qué variables? ¿Cómo me las imagino en el gráfico?**

]

![](data:image/png;base64,#r_visualizacion_files/figure-html/unnamed-chunk-12-1.png)

]

---
# Capas del gráfico - geometría

```r
ggplot(data = b_inmuebles,
       mapping = aes(x = superficie_aproximada_m2)) +
  `geom_histogram() `
```

<br>

- **¿Qué tipo de gráfico quiero hacer?**

]

![](data:image/png;base64,#r_visualizacion_files/figure-html/unnamed-chunk-13-1.png)

]

---
# Chapa y pintura (Atributos)

☑️️ `fill()` (_Rellenar_)

☑️️ `colour()` (_colorear_)

☑️️ `alpha` (_transparencia_)

---

```r
ggplot(data = b_inmuebles,
       mapping = aes(x = superficie_aproximada_m2)) + 
  geom_histogram(`fill = "salmon"`) 
```

<br>

- **Relleno**

]

![](data:image/png;base64,#r_visualizacion_files/figure-html/unnamed-chunk-14-1.png)

]

---

```r
ggplot(data = b_inmuebles,
       mapping = aes(x = superficie_aproximada_m2)) + 
  geom_histogram(fill = "salmon",
                 `colour = "black"`) 
```

<br>

- **Contorno**

]

![](data:image/png;base64,#r_visualizacion_files/figure-html/unnamed-chunk-15-1.png)

]

---

```r
ggplot(data = b_inmuebles,
       mapping = aes(x = superficie_aproximada_m2)) + 
  geom_histogram(fill = "salmon",
                 colour = "black",
                 `alpha = 0.5`) 
```

<br>

- **Transparencia**

]

![](data:image/png;base64,#r_visualizacion_files/figure-html/unnamed-chunk-16-1.png)

]

---
class: inverse, middle, center

# _PRÁCTICA_

---
class: inverse, middle

# Práctica

1) Importar la base de inmuebles del Estado Nacional.

2) El siguiente código debería realizar un histograma. Para ello hace falta completar aquellos espacios con ______ y ejecutarlo:

```r
ggplot(data = ______, 
       mapping = aes(x = superficie_aproximada_m2)) ______ 
  geom______ (fill = ______,
                 colour = "black",
                 alpha = 0.5) 
```

3) Replicar el código anterior y modificar los valores de los atributos a gusto

---
class: inverse, middle, center

# __geom_col()__

---
# geom_col()

**Caso:** Quiero visualizar la cantidad de inmuebles del Estado Nacional en el mundo y diferenciar cuántos hay en cada país:

```r
unique(b_inmuebles$pais)
```

```
 [1] "Argentina"      "Uruguay"        "Perú"           "Bolivia"       
 [5] "Brasil"         "Chile"          "Estados Unidos" "Paraguay"      
 [9] "España"         "Francia"        "Reino Unido"    "Colombia"      
[13] "Alemania"       "Arabia Saudí"   "Australia"      "Canadá"        
[17] "Dinamarca"      "Ecuador"        "Italia"         "Irlanda"       
[21] "Japón"          "Kenia"          "México"         "Países Bajos"  
[25] "Suecia"         "Noruega"       
```

---
# geom_col()

```r
b_inmuebles %>%
  count(pais) %>% 
  arrange(-n)
```

```
# A tibble: 26 x 2
   pais               n
   <chr>          <int>
 1 Argentina        612
 2 Estados Unidos    11
 3 Chile              7
 4 Uruguay            7
 5 Bolivia            5
 6 Brasil             4
 7 Perú               4
 8 Francia            3
 9 Alemania           2
10 Ecuador            2
# ... with 16 more rows
```

---

```r
*ggplot(data = tabla_pais,
*      mapping = aes(x = pais,
*                    y = n))
```
]
 
.panel2-geom_col-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_auto_01_output-1.png)
]

---
count: false
 
# geom_col
.panel1-geom_col-auto[

```r
ggplot(data = tabla_pais,
       mapping = aes(x = pais,
                     y = n)) +
* geom_col()
```
]
 
.panel2-geom_col-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_auto_02_output-1.png)
]

---
# geom_col()

### Probemos focalizar el análisis en aquellos inmuebles fuera del país

```r
tabla_foraneos <- b_inmuebles %>% 
  filter(pais != "Argentina") %>% 
  count(pais)
```

---

```r
*ggplot(data = tabla_foraneos,
*      aes(x = pais,
*          y = n))
```
]
 
.panel2-geom_col_foco-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_foco_auto_01_output-1.png)
]

---
count: false
 
# geom_col
.panel1-geom_col_foco-auto[

```r
ggplot(data = tabla_foraneos,
       aes(x = pais,
           y = n)) +
* geom_col()
```
]
 
.panel2-geom_col_foco-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_foco_auto_02_output-1.png)
]

---
count: false
 
# geom_col
.panel1-geom_col_foco-auto[

```r
ggplot(data = tabla_foraneos,
       aes(x = pais,
           y = n)) +
  geom_col() +
* coord_flip()
```
]
 
.panel2-geom_col_foco-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_foco_auto_03_output-1.png)
]

---

```r
*ggplot(data = tabla_foraneos,
*      mapping = aes(x = pais,
*                    y = n))
```
]
 
.panel2-geom_col_1-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_1_auto_01_output-1.png)
]

---
count: false
 
# geom_col - relleno
.panel1-geom_col_1-auto[

```r
ggplot(data = tabla_foraneos,
       mapping = aes(x = pais,
                     y = n)) +
* geom_col(fill = "green")
```
]
 
.panel2-geom_col_1-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_1_auto_02_output-1.png)
]

---
count: false
 
# geom_col - relleno
.panel1-geom_col_1-auto[

```r
ggplot(data = tabla_foraneos,
       mapping = aes(x = pais,
                     y = n)) +
  geom_col(fill = "green") +
* coord_flip()
```
]
 
.panel2-geom_col_1-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_1_auto_03_output-1.png)
]

---

```r
*ggplot(data = tabla_foraneos,
*      mapping = aes(x = pais,
*                    y = n))
```
]
 
.panel2-geom_col_2-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_2_auto_01_output-1.png)
]

---
count: false
 
# geom_col - Contorno + Transparencia
.panel1-geom_col_2-auto[

```r
ggplot(data = tabla_foraneos,
       mapping = aes(x = pais,
                     y = n)) +
* geom_col(aes(fill = pais),
*          colour = "black",
*          alpha = 0.7)
```
]
 
.panel2-geom_col_2-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_2_auto_02_output-1.png)
]

---
count: false
 
# geom_col - Contorno + Transparencia
.panel1-geom_col_2-auto[

```r
ggplot(data = tabla_foraneos,
       mapping = aes(x = pais,
                     y = n)) +
  geom_col(aes(fill = pais),
           colour = "black",
           alpha = 0.7) +
* coord_flip()
```
]
 
.panel2-geom_col_2-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_2_auto_03_output-1.png)
]

---
class: inverse, middle, center

# __chapa y pintura__

---

```r
*ggplot(data = tabla_foraneos,
*      mapping = aes(x = pais,
*                    y = n))
```
]
 
.panel2-geom_col_3-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_3_auto_01_output-1.png)
]

---
count: false
 
# geom_col
.panel1-geom_col_3-auto[

```r
ggplot(data = tabla_foraneos,
       mapping = aes(x = pais,
                     y = n)) +
* geom_col(aes(fill = pais),
*          colour = "black",
*          alpha = 0.7)
```
]
 
.panel2-geom_col_3-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_3_auto_02_output-1.png)
]

---
count: false
 
# geom_col
.panel1-geom_col_3-auto[

```r
ggplot(data = tabla_foraneos,
       mapping = aes(x = pais,
                     y = n)) +
  geom_col(aes(fill = pais),
           colour = "black",
           alpha = 0.7) +
* coord_flip()
```
]
 
.panel2-geom_col_3-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_3_auto_03_output-1.png)
]

---
count: false
 
# geom_col
.panel1-geom_col_3-auto[

```r
ggplot(data = tabla_foraneos,
       mapping = aes(x = pais,
                     y = n)) +
  geom_col(aes(fill = pais),
           colour = "black",
           alpha = 0.7) +
  coord_flip() +
* labs(title = "Este es el título del gráfico",
*      subtitle = "Y este, el subtítulo",
*      x = "Acá puedo editar texto de eje x",
*      y = "y acá texto de eje y",
*      fill = "leyenda? Por supuesto, acá")
```
]
 
.panel2-geom_col_3-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_3_auto_04_output-1.png)
]

---
count: false
 
# geom_col
.panel1-geom_col_3-auto[

```r
ggplot(data = tabla_foraneos,
       mapping = aes(x = pais,
                     y = n)) +
  geom_col(aes(fill = pais),
           colour = "black",
           alpha = 0.7) +
  coord_flip() +
  labs(title = "Este es el título del gráfico",
       subtitle = "Y este, el subtítulo",
       x = "Acá puedo editar texto de eje x",
       y = "y acá texto de eje y",
       fill = "leyenda? Por supuesto, acá") +
* geom_text(aes(label = n))
```
]
 
.panel2-geom_col_3-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_3_auto_05_output-1.png)
]

---
count: false
 
# geom_col
.panel1-geom_col_3-auto[

```r
ggplot(data = tabla_foraneos,
       mapping = aes(x = pais,
                     y = n)) +
  geom_col(aes(fill = pais),
           colour = "black",
           alpha = 0.7) +
  coord_flip() +
  labs(title = "Este es el título del gráfico",
       subtitle = "Y este, el subtítulo",
       x = "Acá puedo editar texto de eje x",
       y = "y acá texto de eje y",
       fill = "leyenda? Por supuesto, acá") +
  geom_text(aes(label = n)) +
* theme_minimal()
```
]
 
.panel2-geom_col_3-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_3_auto_06_output-1.png)
]

---
class: inverse, middle, center

# _PRÁCTICA_

---
class: inverse, middle

# Práctica

- Dado el siguiente código que devuelve la cantidad de casos para las provincias seleccionadas, responder **visualmente** a la pregunta: ¿Cuál es la provincia que registra más casos?:

```r
# tabla_provincia <- base_covid %>% 
#   rename(provincia = residencia_provincia_nombre) %>% 
#   filter(provincia %in% c("San Luis", "San Juan", "Santiago del Estero")) %>% 
#   count(provincia)
```

1. Hacer un gráfico de barras que muestre la cantidad de casos por provincia

1. Agregarle **color** a las barras en base a la variable **provincia**

1. Agregarle los textos de: **Titulo**, **Ejes x e y**, **Leyenda**.

---
class: inverse, middle, center

# Variables de tipo factor

---
# Orden de las categorías

-   Para darle orden a las categorías en un eje podemos recurrir al tipo de variable **factor**.

-   Los factores en R son variables categóricas (o llamadas "cualitativas").

-   Además, otra propiedad de las variables de tipo **factor** es la ordinalidad (no es indistinto el orden de aparición). Por ejemplo, variables como *nivel educativo* o *grado de satisfacción* son variabes que (números o texto), son categóricas y ordinales.

---
# Orden de las categorías

```r
edad <- c(24,54,75,25,65,12)
sexo_num <- c(1, 2, 2, 2, 1, 2)
sexo_text <- c("hombre", "mujer", "mujer", "mujer", "hombre", "mujer")

base <- data.frame(edad, sexo_num, sexo_text)
```

```r
class(base$sexo_num)
```

```
[1] "numeric"
```

```r
class(base$sexo_text)
```

```
[1] "character"
```

---
# Orden de las categorías

-   Convertimos en factor a la variable _sexo_num_

```r
base <- base %>%
  mutate(sexo_factor = factor(sexo_num,
                              levels = c(1, 2),
                              labels = c("Varón", "Mujer")))
```

```r
base %>%
  count(sexo_factor)
```

```
  sexo_factor n
1       Varón 2
2       Mujer 4
```

### ¿Qué pasa si invierto el orden de los niveles (categorías) en el parámetro `level = `?

---
# geom_col - factor

### Caso: Quiero saber la superficie media de los inmuebles según si son propiedad del Estado Nacional o si son alquilados

---

```r
*b_inmuebles
```
]
 
.panel2-geom_col_4-auto[

```
# A tibble: 677 x 12
   codigo_del_inmueble organizacion pais  provincia departamento localidad calle
                 <dbl> <chr>        <chr> <chr>     <chr>        <chr>     <chr>
 1           200002040 AFIP ADMINI~ Arge~ Ciudad A~ Comuna 1     <NA>      Aven~
 2           200002059 AFIP ADMINI~ Arge~ Ciudad A~ Comuna 1     <NA>      Aven~
 3           200002067 AFIP ADMINI~ Arge~ Ciudad A~ Comuna 1     <NA>      Aven~
 4           200002075 AFIP ADMINI~ Arge~ Ciudad A~ Comuna 3     <NA>      Hipo~
 5           200002083 AFIP ADMINI~ Arge~ Ciudad A~ Comuna 1     <NA>      Carl~
 6           200002091 AFIP ADMINI~ Arge~ Ciudad A~ Comuna 1     <NA>      Carl~
 7           200002105 AFIP ADMINI~ Arge~ Ciudad A~ Comuna 1     <NA>      Aven~
 8           200002113 AFIP ADMINI~ Arge~ Ciudad A~ Comuna 1     <NA>      Humb~
 9           200002121 AFIP ADMINI~ Arge~ Ciudad A~ Comuna 1     <NA>      Hipo~
10           200002131 AFIP ADMINI~ Arge~ Ciudad A~ Comuna 1     <NA>      San ~
# ... with 667 more rows, and 5 more variables: numero <chr>,
#   situacion_inmueble <chr>, superficie_aproximada_m2 <dbl>, longitud <dbl>,
#   latitud <dbl>
```
]

---
count: false
 
# geom_col + factor
.panel1-geom_col_4-auto[

```r
b_inmuebles %>%
* select(situacion_inmueble, superficie_aproximada_m2)
```
]
 
.panel2-geom_col_4-auto[

```
# A tibble: 677 x 2
   situacion_inmueble superficie_aproximada_m2
   <chr>                                 <dbl>
 1 Propiedad del ENA                      946.
 2 Propiedad del ENA                     1361.
 3 Propiedad del ENA                     2740.
 4 Propiedad del ENA                     1461.
 5 Propiedad del ENA                     1138.
 6 Propiedad del ENA                      456.
 7 Propiedad del ENA                      842.
 8 Propiedad del ENA                     3295.
 9 Propiedad del ENA                    11166.
10 Propiedad del ENA                      364.
# ... with 667 more rows
```
]

---
count: false
 
# geom_col + factor
.panel1-geom_col_4-auto[

```r
b_inmuebles %>%
  select(situacion_inmueble, superficie_aproximada_m2) %>%
* mutate(situacion_inmueble_recod = factor(situacion_inmueble,
*                                          levels = c("Propiedad del ENA",
*                                                     "Alquilado"),
*                                          labels = c("Propio",
*                                                     "Alquilado")))
```
]
 
.panel2-geom_col_4-auto[

```
# A tibble: 677 x 3
   situacion_inmueble superficie_aproximada_m2 situacion_inmueble_recod
   <chr>                                 <dbl> <fct>                   
 1 Propiedad del ENA                      946. Propio                  
 2 Propiedad del ENA                     1361. Propio                  
 3 Propiedad del ENA                     2740. Propio                  
 4 Propiedad del ENA                     1461. Propio                  
 5 Propiedad del ENA                     1138. Propio                  
 6 Propiedad del ENA                      456. Propio                  
 7 Propiedad del ENA                      842. Propio                  
 8 Propiedad del ENA                     3295. Propio                  
 9 Propiedad del ENA                    11166. Propio                  
10 Propiedad del ENA                      364. Propio                  
# ... with 667 more rows
```
]

---
count: false
 
# geom_col + factor
.panel1-geom_col_4-auto[

```
# A tibble: 677 x 3
# Groups:   situacion_inmueble_recod [2]
   situacion_inmueble superficie_aproximada_m2 situacion_inmueble_recod
   <chr>                                 <dbl> <fct>                   
 1 Propiedad del ENA                      946. Propio                  
 2 Propiedad del ENA                     1361. Propio                  
 3 Propiedad del ENA                     2740. Propio                  
 4 Propiedad del ENA                     1461. Propio                  
 5 Propiedad del ENA                     1138. Propio                  
 6 Propiedad del ENA                      456. Propio                  
 7 Propiedad del ENA                      842. Propio                  
 8 Propiedad del ENA                     3295. Propio                  
 9 Propiedad del ENA                    11166. Propio                  
10 Propiedad del ENA                      364. Propio                  
# ... with 667 more rows
```
]

---
count: false
 
# geom_col + factor
.panel1-geom_col_4-auto[

```
# A tibble: 2 x 2
  situacion_inmueble_recod sup_media
  <fct>                        <dbl>
1 Propio                       16864
2 Alquilado                     5250
```
]

---
count: false
 
# geom_col + factor
.panel1-geom_col_4-auto[

```r
b_inmuebles %>%
  select(situacion_inmueble, superficie_aproximada_m2) %>%
  mutate(situacion_inmueble_recod = factor(situacion_inmueble,
                                           levels = c("Propiedad del ENA",
                                                      "Alquilado"),
                                           labels = c("Propio",
                                                      "Alquilado"))) %>%
  group_by(situacion_inmueble_recod) %>%
  summarise(
    sup_media = round(mean(superficie_aproximada_m2),
                      digits = 0)) %>%
  ggplot(aes(x = situacion_inmueble_recod,
             y = sup_media)) +
* geom_col(aes(fill = situacion_inmueble_recod),
*          colour = "black",
*          alpha = 0.7)
```
]
 
.panel2-geom_col_4-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_4_auto_07_output-1.png)
]

---
count: false
 
# geom_col + factor
.panel1-geom_col_4-auto[

```r
b_inmuebles %>%
  select(situacion_inmueble, superficie_aproximada_m2) %>%
  mutate(situacion_inmueble_recod = factor(situacion_inmueble,
                                           levels = c("Propiedad del ENA",
                                                      "Alquilado"),
                                           labels = c("Propio",
                                                      "Alquilado"))) %>%
  group_by(situacion_inmueble_recod) %>%
  summarise(
    sup_media = round(mean(superficie_aproximada_m2),
                      digits = 0)) %>%
  ggplot(aes(x = situacion_inmueble_recod,
             y = sup_media)) +
  geom_col(aes(fill = situacion_inmueble_recod),
           colour = "black",
           alpha = 0.7) +
* labs(title = "Superficie media de los inmuebles según condición de propiedad",
*      subtitle = "Año 2019.",
*      x = "Condición de propiedad",
*      y = "Superficie media (en mts2)",
*      fill = "Condición de propiedad")
```
]
 
.panel2-geom_col_4-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_4_auto_08_output-1.png)
]

---
count: false
 
# geom_col + factor
.panel1-geom_col_4-auto[

```r
b_inmuebles %>%
  select(situacion_inmueble, superficie_aproximada_m2) %>%
  mutate(situacion_inmueble_recod = factor(situacion_inmueble,
                                           levels = c("Propiedad del ENA",
                                                      "Alquilado"),
                                           labels = c("Propio",
                                                      "Alquilado"))) %>%
  group_by(situacion_inmueble_recod) %>%
  summarise(
    sup_media = round(mean(superficie_aproximada_m2),
                      digits = 0)) %>%
  ggplot(aes(x = situacion_inmueble_recod,
             y = sup_media)) +
  geom_col(aes(fill = situacion_inmueble_recod),
           colour = "black",
           alpha = 0.7) +
  labs(title = "Superficie media de los inmuebles según condición de propiedad",
       subtitle = "Año 2019.",
       x = "Condición de propiedad",
       y = "Superficie media (en mts2)",
       fill = "Condición de propiedad") +
* geom_text(aes(label = round(sup_media)),
*           vjust = -0.5)
```
]
 
.panel2-geom_col_4-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_4_auto_09_output-1.png)
]

---
count: false
 
# geom_col + factor
.panel1-geom_col_4-auto[

```r
b_inmuebles %>%
  select(situacion_inmueble, superficie_aproximada_m2) %>%
  mutate(situacion_inmueble_recod = factor(situacion_inmueble,
                                           levels = c("Propiedad del ENA",
                                                      "Alquilado"),
                                           labels = c("Propio",
                                                      "Alquilado"))) %>%
  group_by(situacion_inmueble_recod) %>%
  summarise(
    sup_media = round(mean(superficie_aproximada_m2),
                      digits = 0)) %>%
  ggplot(aes(x = situacion_inmueble_recod,
             y = sup_media)) +
  geom_col(aes(fill = situacion_inmueble_recod),
           colour = "black",
           alpha = 0.7) +
  labs(title = "Superficie media de los inmuebles según condición de propiedad",
       subtitle = "Año 2019.",
       x = "Condición de propiedad",
       y = "Superficie media (en mts2)",
       fill = "Condición de propiedad") +
  geom_text(aes(label = round(sup_media)),
            vjust = -0.5) +
* theme_minimal()
```
]
 
.panel2-geom_col_4-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_4_auto_10_output-1.png)
]

---
# geom_col + Variable con faceteado

```r
tabla_facet <- b_inmuebles %>%
  filter(pais == "Argentina" & provincia == "Ciudad Autonoma de Buenos Aires") %>% 
  select(departamento,situacion_inmueble, 
         superficie_aproximada_m2) %>% 
  mutate(situacion_inmueble_recod = factor(situacion_inmueble,
                                           levels = c("Propiedad del ENA", 
                                                      "Alquilado"),
                                           labels = c("Propio",
                                                      "Alquilado"))) %>%
  group_by(departamento, situacion_inmueble_recod) %>% 
  summarise(
    sup_media = round(mean(superficie_aproximada_m2),
                      digits = 0))
```

---

count: false
 
# geom_col + variable de control con faceteado
.panel1-geom_col_5-auto[

```r
*tabla_facet
```
]
 
.panel2-geom_col_5-auto[

```
# A tibble: 28 x 3
# Groups:   departamento [16]
   departamento situacion_inmueble_recod sup_media
   <chr>        <fct>                        <dbl>
 1 Comuna 1     Propio                        1560
 2 Comuna 1     Alquilado                     3329
 3 Comuna 10    Propio                         786
 4 Comuna 11    Propio                         619
 5 Comuna 11    Alquilado                      500
 6 Comuna 12    Propio                        1126
 7 Comuna 12    Alquilado                      482
 8 Comuna 13    Propio                       10434
 9 Comuna 13    Alquilado                      234
10 Comuna 14    Propio                       50023
# ... with 18 more rows
```
]

---
count: false
 
# geom_col + variable de control con faceteado
.panel1-geom_col_5-auto[

```r
tabla_facet %>%
* ggplot(aes(x = departamento,
*            y = sup_media))
```
]
 
.panel2-geom_col_5-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_5_auto_02_output-1.png)
]

---
count: false
 
# geom_col + variable de control con faceteado
.panel1-geom_col_5-auto[

```r
tabla_facet %>%
  ggplot(aes(x = departamento,
             y = sup_media)) +
* geom_col(aes(fill = departamento),
*          colour = "black",
*          alpha = 0.7)
```
]
 
.panel2-geom_col_5-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_5_auto_03_output-1.png)
]

---
count: false
 
# geom_col + variable de control con faceteado
.panel1-geom_col_5-auto[

```r
tabla_facet %>%
  ggplot(aes(x = departamento,
             y = sup_media)) +
  geom_col(aes(fill = departamento),
           colour = "black",
           alpha = 0.7) +
* labs(title = "Superficie media de los inmuebles según condición de propiedad",
*      subtitle = "Año 2019.",
*      x = "Condición de propiedad",
*      y = "Superficie media (en mts2)",
*      fill = "Condición de propiedad")
```
]
 
.panel2-geom_col_5-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_5_auto_04_output-1.png)
]

---
count: false
 
# geom_col + variable de control con faceteado
.panel1-geom_col_5-auto[

```r
tabla_facet %>%
  ggplot(aes(x = departamento,
             y = sup_media)) +
  geom_col(aes(fill = departamento),
           colour = "black",
           alpha = 0.7) +
  labs(title = "Superficie media de los inmuebles según condición de propiedad",
       subtitle = "Año 2019.",
       x = "Condición de propiedad",
       y = "Superficie media (en mts2)",
       fill = "Condición de propiedad") +
* theme_minimal()
```
]
 
.panel2-geom_col_5-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_5_auto_05_output-1.png)
]

---
count: false
 
# geom_col + variable de control con faceteado
.panel1-geom_col_5-auto[

```r
tabla_facet %>%
  ggplot(aes(x = departamento,
             y = sup_media)) +
  geom_col(aes(fill = departamento),
           colour = "black",
           alpha = 0.7) +
  labs(title = "Superficie media de los inmuebles según condición de propiedad",
       subtitle = "Año 2019.",
       x = "Condición de propiedad",
       y = "Superficie media (en mts2)",
       fill = "Condición de propiedad") +
  theme_minimal() +
* theme(
*   legend.position = "none"
* )
```
]
 
.panel2-geom_col_5-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_5_auto_06_output-1.png)
]

---
count: false
 
# geom_col + variable de control con faceteado
.panel1-geom_col_5-auto[

```r
tabla_facet %>%
  ggplot(aes(x = departamento,
             y = sup_media)) +
  geom_col(aes(fill = departamento),
           colour = "black",
           alpha = 0.7) +
  labs(title = "Superficie media de los inmuebles según condición de propiedad",
       subtitle = "Año 2019.",
       x = "Condición de propiedad",
       y = "Superficie media (en mts2)",
       fill = "Condición de propiedad") +
  theme_minimal() +
  theme(
    legend.position = "none"
  ) +
* coord_flip()
```
]
 
.panel2-geom_col_5-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_5_auto_07_output-1.png)
]

---
count: false
 
# geom_col + variable de control con faceteado
.panel1-geom_col_5-auto[

```r
tabla_facet %>%
  ggplot(aes(x = departamento,
             y = sup_media)) +
  geom_col(aes(fill = departamento),
           colour = "black",
           alpha = 0.7) +
  labs(title = "Superficie media de los inmuebles según condición de propiedad",
       subtitle = "Año 2019.",
       x = "Condición de propiedad",
       y = "Superficie media (en mts2)",
       fill = "Condición de propiedad") +
  theme_minimal() +
  theme(
    legend.position = "none"
  ) +
  coord_flip() +
* facet_wrap(facets = "situacion_inmueble_recod",
*            nrow = 2)
```
]
 
.panel2-geom_col_5-auto[
![](data:image/png;base64,#r_visualizacion_files/figure-html/geom_col_5_auto_08_output-1.png)
]

---
class: inverse, middle, center

# _PRÁCTICA_

---
class: inverse, middle

# Práctica

1. Correr el siguiente código para armar la tabla con los datos a graficar:

```r
tabla_ejercicio <- b_inmuebles %>%
  select(situacion_inmueble, superficie_aproximada_m2) %>% 
  mutate(situacion_inmueble_recod = factor(situacion_inmueble,
                                           levels = c("Propiedad del ENA", 
                                                      "Alquilado"),
                                           labels = c("Propio",
                                                      "Alquilado"))) %>%
  group_by(situacion_inmueble_recod) %>% 
  summarise(
    sup_media = round(mean(superficie_aproximada_m2),
                      digits = 0))
```

---
class: inverse, middle

# Práctica

2. Identificar el error en la siguiente sentencia, corregirlo y correr el gráfico.
3. Una vez corregido, modificar parámetros a gusto y corroborar los cambios en el gráfico.

```r
ggplot(data = situacion_inmueble_recod,
       aes(x = tabla_ejercicio,
             y = sup_media)) +
  geom_col(aes(fill = situacion_inmueble_recod),
           colour = "black",
           alpha = 0.7) +
  labs(title = "Superficie media de los inmuebles según condición de propiedad",
       subtitle = "Año 2019.",
       x = "Condición de propiedad",
       y = "Superficie media (en mts2)",
       fill = "Condición de propiedad") +
  geom_text(aes(label = round(sup_media)),
            vjust = -0.5) +
  theme_minimal()
```

---
class: inverse, middle, center

# _RECURSOS_

---